具有随机消息传递的置换等变且邻近感知的图神经网络
机器学习
2022-02-23 v2 机器学习
摘要
图神经网络（GNNs）是图上新兴的机器学习模型。置换等变性和邻近感知性是对 GNNs 而言极为重要的两个性质。要解决一些具有挑战性的图问题（如寻找社区和领导者），这两种性质都是必需的。在本文中，我们首先通过解析证明，现有主要基于消息传递机制的 GNNs 无法同时保留这两种性质。随后，我们提出随机消息传递（SMP）模型，一种通用且简单的 GNN，可同时保持邻近感知性与置换等变性。为了保留节点邻近性，我们用随机节点表示来增强现有 GNNs。我们从理论上证明该机制能够使 GNNs 保留节点邻近性，同时通过特定参数化保持置换等变性。我们在十个数据集上报告了广泛的实验结果，并证明了 SMP 在多种典型图挖掘任务（包括图重建、节点分类和链接预测）上的有效性与高效性。
引用
@article{arxiv.2009.02562,
title = {Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing},
author = {Ziwei Zhang and Chenhao Niu and Peng Cui and Jian Pei and Bo Zhang and Wenwu Zhu},
journal= {arXiv preprint arXiv:2009.02562},
year = {2022}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering